目前,人脸识别技术是验证不同人身份的主要方式之一,在火车站、学校、宾馆等都有广泛应用。相对于指纹识别等技术,人脸识别具有灵活性更强、更方便等特点。但是在一些特定场所,比如:罪犯追踪、视频监控等,不同的人可能只有单张训练样本,此时由于训练样本较少导致人脸识别技术受到了一定的限制,从而使单样本人脸识别成为了新的研究内容。当前大多数解决单样本人脸识别问题仍是传统方法,相对于深度学习,传统方法识别率并不太理想,而深度学习能够很好地表达人脸面部特征。但是深度学习是建立在大样本的情况下,在单样本问题上受到了一定的限制。针对上述问题,本文提出了新的解决单样本人脸识别的方法。首先通过构建正脸数据集训练一个改进的网络模型,该模型能够较好地表达正脸面部特征。然后利用该训练好的模型作为深度特征提取器,来制作不同人的单样本特征库。再通过不同人测试样本对应的特征表示与单样本特征库中人脸特征表示进行余弦相似度对比。最后设定一定的阈值,选取大于阈值的最大余弦相似度值对应的样本标签作为测试样本的分类结果,从而完成单样本人脸识别。本文的主要研究内容包括:(1)构建了用于网络训练和测试的正脸数据集。本文采用传统特征和人工神经网络相融合的漏斗型级联检测算法以及级联的栈式自编码网络定位与对齐算法,对CASIA-WebFace原始数据集进行预处理,得到理想的正脸数据集。裁剪后图像的双眼、鼻尖、嘴角定位中心基本位于图像的相同位置,此时得到的正脸数据集较小。又通过数据增强技术扩充数据集,从而提高神经网络的泛化能力,避免网络出现过拟合的现象。(2)提出了适用于单样本人脸识别的改进卷积神经网络模型。首先改进了AlexNet网络,将小尺寸卷积核叠加替代大尺寸卷积核,加深了原网络的结构。并结合批量归一化加快模型的收敛速度,使改进后的网络能够更好地提取正脸面部的深层特征,从而构建出一个在单样本人脸识别中识别率较高的模型。(3)训练出了适用于单样本人脸识别的网络模型。本文把训练好的模型作为深度特征提取器,再通过基于余弦相似度的标签判定完成单样本人脸识别。并在ORL数据库、YALEfaces数据库、AR数据库、LFW数据库、FERET数据库、自建库上与传统方法进行实验对比分析,验证了本文方法的可行性。